一种面向铁路领域在线客服内容违规和风险的应急管理方法

皮尔达伟斯·巴吐尔，刘 捷,2*

（1.西南交通大学计算机与人工智能学院，成都 611756；2.可持续城市交通智能化教育部工程研究中心，成都 611756）

0 引言

网络信息内容治理已成为国家战略的重要部分，“网络信息内容生态治理规定”明确了网络信息内容治理在治理目标、主体、客体、过程、工具5 个方面的核心要义［1］。近年来，在国铁企业信息化治理过程中，借助人工智能的AI+内容安全技术能够高效发现问题，但在发现违规和风险问题之后，如何及时识别事件类别、判断风险级别、定位响应部门、决策应急预案仍然缺乏研究。刘铁民［2］指出突发事件情景构建是当前公共安全领域最前沿科学问题之一，采用“情景-应对”的理论与方法，是国内外公共安全领域近年来提出的一种行之有效的科学手段。本文基于“情景-应对”模型和知识图谱，提出了一种面向铁路领域在线客服内容违规和风险的应急管理系统和方法。

1 违规和风险应急管理研究现状

朱世强等［3］指出知识图谱等技术的发展，能够加速将内容安全治理向自动化、智能化、高效化、精准化方向推进，并建议建立健全合法有效的监管机制和人工智能内容安全标准体系。王建亚等［4］对网络信息内容安全风险进行研判和特征分析，将网络信息内容安全分为9类，分析了每种风险的内涵和表现，并对各类型风险进行了场景化解构。白文琳等［1］按照戴明环PDCA 循环思路，同时将治理目标、主体、客体、过程、工具等政策要素全部纳入，设计了“PDCA-五维要素”治理行动逻辑。范维澄等［5］提出了公共安全体系的三角形模型，突发事件及其应对中存在三个主体：突发事件、承灾载体、应急管理。张辉等［6］在面向国家应急平台体系的基础科学问题和集成平台研究中突出了“情景-应对”型决策的重要性。郭世刚等［7］研究了突发事件应急决策方法等演变，将现有决策模型分为经验直觉法、“预测-应对”模型、“情景-应对”模式三类。仲秋雁等［8］基于知识元构建了非常规突发事件情景模型。王宁等［9］提出了一种基于应急案例的情景决策支持方法。吴艳华等［10‑11］研究了“情景-应对”模型在铁路领域的应用。

2 情景模型设计

在本文创建铁路领域在线客服违规和风险管理知识图谱过程中，在客服平台和相关网站和公众号采集近年来在客服违规方面发生过的案例，再通过网上检索到的案例对各个实体的属性进行保存，通过整合来构建铁路在线客服违规的事件库。本文创建的情景模型如图1所示。

图1 情景模型

其中，事件（Event）实体是用来存储所有事件的实体，在识别出铁路在线客服内容违规和风险后，都存储在这里，是整个情景模型的主体。用此实体来创建情景表的主体，通过各种属性来充实事件实体的各个知识内容，此实体的实体父类为情景，与形式为不相交的类，并且没有添加其他的公理等描述。事件的实例是整个事件的承载者。

将铁路客服过程中产生的事件实例采集到Protégé 中，如图2 所示。通过对事件的属性：事件id、事件类型名称、事件发生原因、对象、事件发生时间来对应一个唯一的事件，如图3所示。

图2 Protégé中的事件实例

图3 Protégé中事件的对象属性和数据属性示例

形式（Form）实体是铁路在线客服违规的形式，铁路客服违规通常有多个形式，比如一个事件是文章中所采用的图片是其他公司所注册的，此事件的形式就被定义为图片侵权。事件和形式实体是构建情景表的主体成分，形式实体与事件实体同属于情景实体父类。此实体的不相交实体为事件。此实体包含的实例包括公众号文章错误，公告消息违规等形式的实例，这些实例构成了事件的形式的集合，将具有相同形式性质的事件打包成一个形式，方便应对措施采取的统一性。

在应急事件发生的过程中，将事件中的相似类型抽象归纳于一起，形成客服违规事件对应的形式，例如，图片侵权相关、公告消息违规、隐私信息采集告知、公众号文章错误、外部网站发布、客服无法联系、投诉无门、无法线上退票、字体侵权、客服态度恶劣、非实名购票、app崩溃、客服误导乘客等。在Protégé中创建形式的实例如图4所示，图5展现了主要的数据属性（形式id、形式名称）和对象属性（形式_措施、形式_风险识别）。

图4 Protégé中的形式实例

图5 Protégé中形式的对象属性和数据属性示例

将唯一的事件id 和形式id 以事件_形式的关系形成联系，将事件归合为一个形式，通过形式再来确定所应该采取的应急解决方案。

风险识别（Risk Identification）实体是铁路在线客服违规后，通过识别风险的等级来确定事件所带来的影响，根据影响的程度来划分事件的风险优先级，再根据事件的优先级来确定事件的处理顺序。此方法能够让事件处理更加有序，通过风险识别来大大缩小事件的影响程度。风险识别的属性包含：风险类别名称、风险类别id、优先级、响应速度、影响程度，如图6所示。风险识别实体是应对计划中的重要一环，确定事件的等级，其父类为情景，与事件、形式实体为不相交的类。没有添加其他的公理等内容。此实体包含的实例包括了风险级别1、风险级别2、风险级别3。这些实例中保存了事件的解决顺序和带来影响的数据信息，对事件出现时，能快速、准确、有序地解决事件起到关键作用。

图6 Protégé中风险识别实例的数据属性示例

在铁路领域客服违规事件发生的初期，能充分地掌握事件（E）、形式（F）、风险识别（R）等信息，一个事件（E1）通过各个属性来判断事件形式（F1），通过事件的事件id（E1）属性对应一个事件的形式id（F1），以记为（E1‑F1）的事件_形式关系来表示具体事件E1的对应形式F1。

通过得到的事件所属形式，来确定事件所归属的形式，进而确定一个形式所对应的风险识别中的风险等级，通过确定的形式id（F1）对应风险类别id（R1），从而从关系形式_风险识别来对应，记为（F1‑R1）。通过事件、形式、风险识别的对应关系可得知事件的明确信息为（E1‑F1‑R1），某事件的详细情景通过这些关系构建出来。

3 应对模型设计

事件的事件集合表示为（事件、形式、风险识别），也可以将事件集对应事件的情景集合，再通过各个实体的数据属性来使知识的表示更加详细。将事件的应对策略创建为事件的应对集，即为（措施、方案），并以这些应对策略中的数据属性将措施的具体行使方式和措施完成后对后续存在的问题进行精化的解决方式。本文创建的应对模型如图7所示。

措施（Measure）是与事件、形式、风险识别所构成的情景相对应的应对过程的主体内容，措施拥有措施名称、措施id、部门等数据属性。能够明确采取措施的响应部门，确定了措施在行使的过程是由什么部门来进行，使得分工明确且能够通过对事件的处理来评定部门的绩效。此实体包含的实例包括了取消票的效益并要求乘客实名购票、告知隐私信息采集风险等实例，这些实例集合成了事件应对集的快速响应的解决措施，是直接解决事件的第一步的手段集合。

图8 Protégé中措施的对象属性和数据属性示例

确定事件的具体情景模型的详细信息后，对情景模型创建应对的模型，通过形式与措施的关系属性形式_措施来确定事件的应对策略，从措施的数据属性措施id来确定形式（F1）的对应的措施（M1），将形式和措施形成的关系形式_措施关系记为（F1‑M1），以此关系来确定形式为F1的事件所应采取的措施为M1，反向的推理可以推理出事件的完整关系，事件E1 的形式为F1.形式名称，此形式风险等级为R1.风险类别名称，所应采取的措施为M1.措施名称的应对策略。针对每一个不同事件、形式、风险识别的过程有不同的应对策略进行匹配。

方案（Scheme）是指对事件措施的后续补充，方案包括：方案名称、方案id、方案内容、完成速度，如图9 所示。方案内容是对事件采取的措施的后续补充，措施完成后，对后续相关的部门进行补救，完整地将事件完成，对后续的影响进一步进行完整的措施；方案中的完成速度是指方案在实行的过程中应该采取的执行速度，执行的速度应不低于方案中规定完成速度。此实体包含的实例包括外部网站发文方案、客服违规方案等一系列方案的实例，这些实例可以用来做措施完成后的后续安排，让事件的影响逐步消除，直到影响完全消除为止。

图9 Protégé中的方案实例

在情景-应对模型构建基础完成后，对措施进行进一步的扩张，因为单纯的措施无法完成对事件的后续处置的完善，通过扩展的方案可以完善对事件措施的支援，然后通过措施和方案的关系，将措施M1 和方案S1 联系起来，将两者之间的联系记为M1‑S1。所以事件的整体联系为E1‑F1‑R1和F1‑M1‑S1。

通过对事件、形式、风险识别、措施和方案的详细分析，充分明确了事件的形式和风险级别，通过这些明确的信息来确定采取措施，和措施完成后的后续方案的响应主体。这为进一步深入分析事件的应急事件处理打下了基础。

4 铁路领域在线客服违规和风险管理知识图谱应用实例

本文的主题是铁路客服违规和风险管理知识图谱，而且要运用到情景应对模型，所以在此基础上创建知识图谱的实体，需根据知识图谱一般构建方法，先构建并识别出铁路风险管理知识图谱中的实体，再确定各个实体之间的联系，定义实体之间的属性，然后根据实体之间的联系再进行铁路领域知识图谱数据的抽取、融合和存储。

4.1 Protégé构建知识图谱

本文构建铁路领域在线客服和风险管理知识图谱采用了Protégé 软件来进行设计，知识来自于铁路在线客服平台的案例抽取，抽取案例的平台如图10所示。

图10 案例平台示例

本文创建的铁路领域在线客服违规内容和风险管理知识图谱中一个完整的关系实例如图11所示。

图11 知识图谱中完整的实例

Protégé 还提供了图显示的功能，此功能可将Protégé 所构建的知识图谱本体所有的内容通过图的形式显示出来，如图12所示。

图12 知识图谱可视化

4.2 Neo4j导入和检索知识图谱

将Protégé 里所创建的铁路领域客服违规与应急风险管理的知识图谱本体存储到Neo4j，就要用到Neo4j 的扩展性包neosemantics。在经过Neo4j 内置操作语句的修改后，将其显示为最后的实体名称。导入结果如图13所示。

图13 Neo4j图数据展示内容

Neo4j 中采用了基于路径的图索引，基于这种索引所创建的GraphGrep 是一种典型的图索引。例如：match（n:‘ns0__事件’）return n。此语句可以输出所有事件的实例，如图14所示。

图14 事件查询

在图数据库中还可以利用复杂语句，通过各个实例间所形成的关系来对拥有关系的数据进行查询，如图15所示。

图15 查询示例

match data=（n:‘ns0__事件’｛‘ns0__事件类型名称’：‘app 异常’｝）-［r:‘ns0__事件_形式’］-（m:‘ns0__形式’）return data。所表示的实际含义为事件类别名称为app异常的事件所属的形式是哪个，从图中可看出事件app 异常的形式为app崩溃的形式。

4.3 Neo4j中违规事件的应用示例

为验证本文所提出的基于案例的应急事件处理办法，对事件客服平台图片侵权的案例进行情景-应对模型的验证。首先是此事件集（事件id：1，形式id：1，风险类型id：1），应对集（形式id：1，措施id：1，方案id：1）。此事件的基本表述为E（客服平台图片侵权），事件所对应的形式为F（形式名称：图片侵权相关），此类形式F所对应的风险识别R1（风险类别名称：风险等级1），R1 的优先集为低，影响程度为有损信誉，应该尽快解决，所采取的措施M（措施名称：撤回信息），措施M所对应的方案为S（方案名称：侵权方案），此方案所采取的方式为对侵权的图片、字体等进行整改，对侵权的机构进行道歉，此方案要求的完成速度为不多于1天。

5 结语

国铁企业信息化治理过程中，如何借助知识图谱等人工智能技术将内容安全治理向自动化、智能化、高效化、精准化方向推进，具有重要的意义。本文结合知识图谱和“情景-应对”模型，提出了一种面向铁路领域在线客服内容违规和风险的应急管理方法。并采用Protégé和Neo4j进行了知识抽取、知识存储、和知识应用。并最终以客服平台图片侵权的案例对该方法进行了验证，该方法能够较好地辅助铁路领域在线客服内容违规和风险的应急管理。